Распознавание типа решаемой задачи по нескольким секундам ЭЭГ с помощью обучаемого классификатора

Выводы.

1. В процессе выполнения когнитивных заданий в электрической активности мозга человека появляются характерные ритмы тета-, альфаи бета-диапазонов. Совокупность одновременно присутствующих ритмов образует характерный пространственно-частотный рисунок (паттерн) ЭЭГ.

2. Паттерны специфичны для разных типов когнитивной деятельности и высоко индивидуально-специфичны. Способность индивида к установлению определенных ритмических паттернов ЭЭГ при выполнении им определенных когнитивных заданий составляет «электроэнцефалографический портрет» его личности.

3. «Электроэнцефалографический портрет» устойчив во времени, в некоторых случаях он сохраняется неизменным в течение нескольких месяцев.

4. Характерные ритмы имеют тоническую природу и присутствуют на протяжении всего когнитивного усилия, но сразу по окончании выполнения задания они исчезают.

5. Задачи одного типа, но разных уровней сложности, приводят к установлению сходных паттернов. Характерные ритмические паттерны отражают специфику мышления, а не степень интеллектуального напряжения.

6. Можно предположить, что характерные ритмы отражают «неспецифические» процессы, сопровождающие собственно когнитивные операции. Примерами «неспецифических» процессов могут служить процессы памяти, внимания, а также эмоции и мотивация. Установление на время когнитивного усилия привычной комбинации сопроводительных «неспецифических» процессов помогает человеку быстро и надежно выполнить стандартное задание.

7. Применение обучаемого классификатора, производящего взвешенную оценку одновременно нескольких признаков ЭЭГ, позволяет распознавать тип выполняемого задания с надежностью > 85% по единичным реализациям ЭЭГ длительностью в несколько (начиная с 3−5) секунд, т. е. в режиме времени, близком к реальному. Этот результат может быть использован в практических целях.

Программное обеспечение, использованное в работе.

Практически все компьютерные программы, использованные в работе, были написаны нами самостоятельно на языке С под DOS. Исключение составили лишь некоторые стандартные подпрограммы — например, подпрограмма быстрого преобразования Фурье или подпрограмма разложения матрицы по сингулярным значениям, примененная при решении системы линейных уравнений, когда последняя выступала в качестве обучаемого классификатора. Эти подпрограммы были взяты из «Книги прикладных программ на С» (Press et al., 1994).

В процессе выполнения работы, представленной в диссертации, были созданы программы для предъявления стимулов, регистрации ЭЭГ, отстройки от артефактов, анализа спектров, сегментации записи ЭЭГ, классификации данных (в т.ч. эмулятор искусственной ней-росети) и другие.

В последнее время в своей работе исследователи все чаще прибегают к использованию готовых коммерческих программных продуктов, которые обладают несомненными достоинствами, главное из которых-удобный и красивый пользовательский интерфейс. Важно и то, что коммерческие программы создаются профессиональными программистами, математиками или глубокими специалистами в какой-либо конкретной области. Мы, однако, до сих пор видим пользу в создании «самодельных» компьютерных программ, которые разрабатываются под конкретные нужды и идеи непосредственно в лабораториях, где проводятся исследования. Конечно, такой подход влечет за собой большие траты времени и сил, которые могут показаться непроизводительными. Однако, полное владение инструментом анализа научных данных (а таким инструментом ныне являются, по большей части, компьютерные программы) дает исследователю самое главное — свободу в выборе путей научного поиска. Пользование же готовым продуктом привязывает исследователя к уже разработанным методам, тем самым часто обрекая его на вторичность результатов.

Разумеется, готовые коммерческие программные продукты успешно справляются со многими стандартными задачами (такими, например, как регистрация ЭЭГ или построение ПСС). Очевидно, ныне нет смысла тратить время на дублирование этих стандартных функций. С другой стороны, есть много примеров, когда принципиально новые наблюдения были сделаны с использованием традиционных методов анализа и готовых компьютерных программ (Sysoeva et al. 2005). И все же, иметь возможность разрабатывать собственные методы полезно.

1. Болдырева Г. Н. (2000) Электрическая активность мозга человека при поражении диэн-цефальных и лимбических структур. М.: Наука, 2000.

2. Данилова H.H. (1985) Функциональные состояния: механизмы и диагностика. М: Изд-во МГУ, 1985. 287 с.

3. Иваницкий А. М. (1976) Мозговые механизмы оценки сигналов. М: Медицина, 1976.

4. Иваницкий А. М., Стрелец В. Б., Корсаков ИЛ. (1984) Информационные процессы мозга и психическая деятельность. М.: Наука, 1984.

5. Иваницкий A.M. (1993) Фокусы взаимодействия, синтез информации и психическая деятельность. Журн. высш. нервн. деят. Т.43, с. 19−227.

6. Ильюченок И. Р. (1996) Различие частотных характеристик ЭЭГ при восприятии положительно-эмоциональных, отрицательно-эмоциональных и нейтральных слов. Журн. высш. нервн. деят. Т. 46, с. 457−468.

7. Ильюченок И. Р., Савостьянов А. Н., Валеев Р. Г. (2001) Динамика спектральных характеристик тетаи альфа-диапазонов ЭЭГ при негативной эмоциональной реакции. Журн. высш. нервн. деят. Т. 51, с. 563−571.

8. Каменкович В. М., Барк Е. Д., Шевелев ИЛ., Шараев ГЛ. (1997) Связь зрительных иллюзий с частотой и фазовым сдвигом ритмической фотостимуляции, синхронизованной с альфа-волной ЭЭГ. Журн. высш. нервн. деят. Т. 47, с. 461−468.

9. Каплан АЛ. (1999) Проблема сегментного описания электроэнцефалограммы человека. Физиология человека. Т. 25, с. 125−133.

10. Каплан АЛ., Борисов С. В. (2003) Динамика сегментных характеристик альфа-активности ЭЭГ человека в покое и при когнитивных нагрузках. Журн. высш. нервн. деятельности. Т. 53, с. 22−23.

11. Корн Г., Корн Т. (1978) Справочник по математике для научных работников и инженеров. М.: Наука, 1978, § 18.4−9.

12. Костюнина М. Б. (1998) Энцефалограмма человека при мысленном воспроизведении эмоционально-окрашенных событий. Журн. высш. нервн. деят. Т. 48, с. 213−221.

13. Лебедев А. Н., Скопинцева НЛ., Бычкова Л. П. (2002) Связь памяти с параметрами электроэнцефалограммы. В книге: Современная психология. 4.1, М.: ИПРАН, 2002.

14. Ливанов М. Н. (1972) Пространственная организация процессов головного мозга. М.: Наука, 1972.

15. Ливанов М. Н., Свидерская Н. Е. (1984) Психологические аспекты феномена пространственной синхронизации потенциалов. Психол. журнал. Т. 5, с. 71−83.

16. Николаев А. Р. (1994) Исследование этапов мысленной ротации сложных фигур методом картирования внутрикоркового взаимодействия. Жури. высш. нервн. деят. Т. 44, с. 441 447.

17. Николаев А. Р. (1995) Корковые механизмы невербального мышления на модели решения пространственных задач. Диссертация на соискание ученой степени кандидата медицинских наук. Москва, 1995.

18. Николаев А. Р., Иваницкий ГЛ., Иваницкий A.M. (2000) Исследование корковых взаимодействий в коротких интервалах времени при поиске вербальных ассоциаций. Жури, высш. нервн. деят. Т. 50, с. 44−61.

19. Свидерская Н. Е. (1987) Синхронная электрическая активность мозга и психические процессы. М.: Наука, 1987.

20. Симонов П. В. (1981) Эмоциональный мозг. М.: Наука, 1981.

21. Фролов АЛ., Муравьев И. П. (1988) Информационные характеристики нейронных сетей. М.: Наука, 1988.

22. Шарова Е. В., Образцова Е. Р., Зайцев О. С., Куликов М. М., Ураков С. В. (2001) Особенности ЭЭГ при посттравматическом Корсаковском синдроме. Ж. неврологии и психиатрии им. С. С. Корсакова. Т. 101, с. 32−38.

23. Шевелев ИЛ. (2001) Волновые процессы в коре мозга и зрительное восприятие. Природа. № 12 за 2001 г., с. 28−35.

24. Шевелев ИЛ., Костелянец Н. Б., Каменкович В. М., Шараев ГЛ. (1991) Опознание движения и альфа-волна ЭЭГ. Сенсорные системы. Т. 5, с. 54−59.

25. Abeyratne U.R., Kinouchi К, OkiH., Okada J., Shichijo F., Matsumoto К. (1991) Artificial neural networks for source localization in the human brain. Brain Topogr. V. 4, p. 3−21.

26. Abeyratne U.R., Zhang G., Saratchandran P. (2001) EEG source localization: a comparative study of classical and neural network methods. Int. J. Neural Syst. V. 11, p. 349−360.

27. Bankman I.N., Sigilliti KG., Wise ILA., Smith P.L. (1992) Feature-based detection of the K-complex wave in the human electroencephalogram using neural networks. IEEE Trans. Biomed. Eng. V. 39, p. 1305−1310.

28. Ba$arE., GonderA., Ozesmi C., Ungan P. (1975) Dynamics of brain rhythmic and evoked potentials. Biol. Cybern. V. 20, p. 137−169.

29. Ba§ ar E., Durusan R., GonderA., Ungan P. (1977) Human alpha response to photic stimuli. Electroencephalogr. Clin. Neurophysiol. V. 43, p. 500−501.

30. Ba§ ar E., Schurmann M., Ba§ ar-Eroglu C., Karaka§ S. (1997) Alpha oscillations in brain functioning: an integrative theory. Int. J. Psychophysiol. V. 26, p. 5−21.

31. BergerH. (1929) Ober das Elektrenkephalogramm des Menschen. Arch. Psychiat. Nervenkr. V. 87, p. 527−570.

32. Burgess A.P., Gruzelier J.H. (1993) Individual reliability of amplitude distribution in topographical mapping of EEG. Electrenceph. Clin. Neurophysiol. V. 86, p. 218−223.

33. Burgess A.P., Gruzelier J. (1997) How reproducible is the topographical distribution of EEG amplitude? Int. J. Psychophysiol. V. 26, p. 113−119.

34. EngelA.K.f Singer W. (2001) Temporal binding and the neural correlations of sensory awareness. Trends in cognitive sciences. V. 5, p. 16−26.

35. Fink A., GrabnerR.il., Neuper C., NeubauerA.C. (2005) EEG alpha band dissociation with increasing task demands. Cognitive Brain Research. V. 24, p. 252−259.

36. Ford J.M., Mathalon D.H. (2004) Schizophrenia and hallucinations: evidence from event related brain potentials and functional magnetic resonance imaging. Int. J. Psychophysiol. V. 54, p. 3.

37. Fukuda O., Tsuji T., Kaneko M. (1995) Pattern classification of EEG signals using a log-linearized Gaussian mixture neural network. Proc. IEEE Int. Conf. Neural Networks, Perth Western Australia, 27 Nov-1 Dec, 1995. pp. 2479−2484.

38. GaborA.J., Leach R.R., Dowla F.U. (1996) Automated seizure detection using a self-organizing neural network. Electroencephalography and Clinical Neurophysiology. V. 99, p. 257−266.

39. Gevins A., Leong H., Smith M.E., Le J., Du R. (1995) Mapping cognitive brain function with modern high-resolution electroencephalography. Trends Neurosci. V. 18. p. 429−436.

40. GevinsA.S.f Smith M.E. (1997) Detecting transient cognitive impairment with EEG pattern recognition method. Aviation and Space Environmental Medicine. V. 70, p. 1028−1024.

41. Gratton G., Coles M.G.H., Donchin E. (1983) A new method for off-line removal of ocular artifact. Electroencephalography and Clinical Neurophysiology. V. 55, p. 468−484.

42. Hari R., Salmelin R., Makela J.P., Salenius S, Helle M. (1997) Magnetoencphalographic cortical rhythms. Int. J. Psychophysiol V. 26, p. 51−62.

43. Salmelin R., Mamalainen M., Kajola M., HariR. (1995) Functional segregation of movement-related rhythmic activity in the human brain. Neuroimage. V. 2, p. 237−243.

44. Hebb D.O. (1949) The organization of behavior. New-York: Wiley, 1949.

45. Heller W. (1993) Neuropsychological mechanisms of individual differences in emotion, personality, and arousal. Neuropsychology. V.7., p. 476 -489.

46. Hinton G.E., Sejnowsky T.J., Ackley D.H. (1984) Boltzmann machines: Constraint satisfaction networks that learn. Tech. Rep. CMU-CS-84−119. Pittsburgh: Carnegie-Mellon University, Department of Computer Science.

47. Hoppensteadt F.C., Izhikevich E.M. (1996) Synaptic organization and dynamical properties of weakly connected neural oscillators. Biol. Cybern. V. 75, p. 117−135.

48. Hopfield J.J. (1982) Neural networks and physical systems with emergent collective computational abilities. Proc. Nat. Acad. Sci. USA. V. 79, p. 2554−2558.

49. Huang J.W., Lu Y.Y., NayakA., RoyR.J. (1999) Depth of anesthesia estimation and control. IEEE Transactions on Biomedical Engineering. V. 46, p. 71−81.

50. Huuponen E., VarriA., Himanen S.L., Hasan J., Lehtokangas M., Saarinen J. (2000) Autoassociative MLP in sleep spindle detection. J. Med. Syst. V. 24, p. 183−193.

51. Kaplan A.Ya., Byeon J-G., Lim J-J., Jin K-S., ParkB-W. (2005) Unconscious operant conditioning in the paradigm of brain-computer interface based on color perception. Intern. J. Neuroscience. V. 115, p. 781−802.

52. Klimesch W. (1997) EEG-alpha rhythms and memory processes. Int. J. Psychophysiol. V. 26, p. 319−340.

53. Kohonen T. (1995) Self-Organizing Maps. Springer-Verlag, Heidelberg, 1995.

54. Lashley K.S. (1950) In search of the engram. In: Society of experimental biology symposium No. 4: Psychological mechanisms of animal behavior. London: Cambridge University Press, 1950. p. 478−505.

55. Lopes da Silva F.H., Vos J.E., Mooibroek J., Van Rotterdam A. (1981) Relative contributions of intracortical and thalamocortical processes in the generation of alpha rhythms, revealed by partial coherence analysis. EEG Clin. Neuroph. V. 50, p. 449−456.

56. Lopes da Silva F. (1991) Neural mechanisms underlying brain waves: from neural membranes to networks. EEG Clin. Neuroph. V.79, p. 81−93.

57. Maltseva I.V., Masloboev Y.P. (1997) Alpha rhythm parameters and short memory span. Int. J. Psychophysiol. V. 26, p. 369−380.

58. Miller R. (1991) Cortico-hippocampal interplay and the representation of contexts of the brain. Springer Verlag, Berlin Heidelberg New York, 1991.

59. Miller A.S., BlottB.H., Harnes T.K. (1992) Review of neural network applications in medical imaging and signal processing. Medical and Biological Engineering and Computing. V. 30, p. 449−464.

60. Mitra S., Sarbadhikan S.N., Pal S.K. (1996) An MLP-based model for identifying qEEG in depression. Int. J. Biomed. Comput. V. 43, p. 179−187.

61. Murthy V.N., Fetz E.E. (1992) Coherent 25- to 35-Hz oscillations in the sensorimotor cortex of awake behaving monkeys. Proc. Natl. Acad. Sei. US A.Y. 89, p. 5670−5674.

62. NashmiR., Mendonca A.J., MacKay JKA. (1994) EEG rhythms of the sensorimotor region during hand movements. Electroencephalogr. Clin. Neurophys. V. 91, p.456−467.

63. Niedermeyer N. (1997) Alpha rhythms as physiological and abnormal phenomena. Int. J. Psychophysiol. V. 26, p. 31−49.

64. Peltoranta M., Pfurtscheller G. (1994) Neural network based classification of non-averaged event-related EEG responses. Medical & Biological Engineering & Computing. V. 32, p. 189 196.

65. Penny W.D., Roberts S.J. (1999) EEG-based communication via dynamic neural network models. Proc. Int. Joint Conf. Neural Networks, 1999. p. 5.

66. Peters B.O., Pfurtscheller G., FlyvbjergH. (1998) Mining multi-channel EEG for its information content: an ANN-based method for a brain-computer interface. Neural Networks. V. 11, p. 1429−1433.

67. Peters B.O., Pfurtscheller G., FlyvbjergH. (2001) Automatic differentiation of multichannel EEG signals. IEEE Trans. Biomed. Eng. V. 48, p. 111−116.

68. Petrosian A~A., Prokhodov D. V., Lajara-Nanson W., Schiffer R.B. (2001) Recurrent neural network based approach for early recognition of Alzheimer’s disease in EEG. Clinical Neurophysiology. V. 112, p. 1378−1387.

69. Petsche H., Kaplan S., von Stein A., Filz O. The possible meaning of the upper and lower alpha frequency ranges for cognitive and creative tasks. Int. J. Psychophysiol. V. 26, p. 77−97.

70. Pitts W., McCulloch tV.S. (1947) How we know universals: the perception of auditory and visual forms. Bull. Math. Biophys. V.9, p.127−147.

71. Pfurtscheller G., Klimesch W. (1992) Event-related synchronization and desynchronization of alpha and beta waves in cognitive tasks. In: Basar E., Bullock T.H. (Eds). Induced rhythms in the brain. Birkhauser, Boston, 1992.

72. Pfurtscheller G., Flotzinger D., Mohl W., Peltoranta M. (1992) Prediction of the side of hand movements from single trial multi-channel EEG data using neural networks. Electroencephalogr. Clin. Neurophysiol. V. 82, p. 313−315.

73. Pfurtscheller G., Neuper Ch., Andrew C., Edlinger G. (1997) Foot and hand area mu rhythms. Int. J. Psychophys. V. 26, p. 121−135.

74. Pfurtscheller G., Lopes da Silva F.H. (1999) Event-related EEG/MEG synchronization and de-synchronization: basic principles. Clin. Neurophysiol. V. 110, p. 1842−1857.

75. Press W.H., Teukolsky SA., Vettering W.T., FlanneryB.P. (1994) Numerical Recipes in C. The art of scientific computing. Second edition. Cambridge University Press, 1994.

76. Robert C., Karasinski P., NatowitzR., LimogeA. (1996) Adalt rat vigilance states discrimination by artificial neural network using a single EEG channel. Physiology & Behavior. V. 59, p. 1051−1060.

77. Robert C., Gaudy J.F., LimogeA. (2002) Electroencephalogram processing using neural networks. Clinical Neurophysiology. V. 113, p. 694−701.

78. Rosenblatt F. (1958) The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain. Psychol. Rev. V. 65, p. 386−408.

79. Rosenblatt F. (1962) Principles of neurodynamics. New-York, Spartan, 1962.

80. Rdschke J., Fell J., Mann K. Non-linear dynamics of alpha and theta rhythm: correlation dimensions and Lyapunov exponents from healthy subject’s spontaneous EEG. Int. J. Psycho-physiol. V. 26, p. 251−261.

81. Rougeul-Buser A., Buser P. (1997) Rhythms in the alpha band in cats and their behavioral correlates. Int. J. Psychophysiol. V. 26, p. 191−203.

82. Rumelhart D.E., Hinton C.E., Williams R.J. (1986 a) Learning representations by back-propagating errors. Nature. V. 323, p. 533−536.

83. Rumelhart D.E., McClelland J.L., and the PDP research group. (1986 6) Parallel distributed processing. Cambridge, Mass.: MIT Press, 1986.

84. Schack B., Weiss S., Rappelsberger P. (1996) Dynamic topographic methods of coherence analysis of cognitive processes. Medical & Biological Engineering & Computing. V. 34, p. 207 208.

85. Schurmann M., Ba§ ar-Eroglu C., Ba§ arE. (1977) A possible role of evoked alpha in primary sensory processing: common properties of cat intracranial recordings and human EEG and MEG. Int. J. Psychophysiol. V. 26, p. 149−170.

86. Shevelev I.A., Kamenkovich KM., Bark E.D., Verkhlutov KM., Sharaev G. A., Mikhailova E. S. (2000) Visual illusions and travelling alpha waves produced by flicker at alpha frequency. Int. J. Psychophysiol. V.39, p. 9−20.

87. Sveinsson J.R., Benediktsson J A., Stefansson S.B., Davidsson K. (1997) Parallel principal component neural network for classification of event-related potential waveforms. Med. Eng. Phys. V. 19, p. 15−20.

88. Sun M., Sclabassi R.J. (2000) The forward EEG solutions can be computed using artificial neural networks. IEEE Trans. Biomed. Eng. V. 47, p. 1044−1050.

89. Sysoeva O. K, IlyutchenokI.R., Ivanitsky GA., Kashevarova O.D., IvanitskyA.M. (2005) ERP evidence for early involuntary analysis of written word class (abstract/concrete). Brain Topography. Proceedings of the 16th Meeting oflSBET, 2005. V.18, p. 15−16.

90. Tallon-Baudry C., Bertrand O., Fischer C. (2001) Oscillatory synchrony between human extrstriate areas during visual short-term memory maintenance. J. Neurosci. V. 21, p. RC 177−1-RC177−5.

91. Tallon-Baudry C. (2003) Oscillatory synchrony and human visual cognition. Journal of Physiology-Paris V. 97, p. 355−363.

92. Tuulik K, Raja A., Meister A., Lossmann E. (1997) Neural network method to determine the vigilance levels of the central nervous system, related to occupational chronic chemical stress. Technology of Health Care. N 5 (1997), p. 243−251.

93. Van Hoey G., de Clercq J., Vanrumste B., van de Walle R., Lemahieu I., D’Have M., Boon P. (2000) EEG dipole source localization using artificial neural network. Physics in Medicine and Biology V. 45, p. 997−1011.

94. Vargha-Khadem F., Gadian D. G., Mishkin M. (2001) Dissociation in cognitive memory: the syndrom of developmental amnesia. Phil. Trans. R. Soc. Lond. V. 356, p. 1435−1440.

95. Walczak S., Novak W.J. (2001) An artificial neural network approach to diagnosing epilepsy using lateralized bursts of theta EEGs. Journal of Medical Systems. V. 25, p. 9−20.

96. Webber W.R.S., Lesser R.P., Richardson R., Wilson K. (1996) An approach to seizure detection using an artificial neural network (ANN). Electroencephalography and Clinical Neurophysiology. V. 98, p. 250−272.

97. Weiss S., Mueller H.M., Schack B., King J. W., Kutas M., Rappelsberger P. (2005) Increased neuronal communication accompanying sentence comprehension. Int. J. Psychophysiol. V. 57, p. 129−141.

98. Wilson S.B. (2005) A neural network method for automatic and incremental learning applied to patient-dependent seizure detection. Clinical Neurophysiology. V. 116 p. 1785−1795.

99. Wu F. G., Slater J.D., Ramsay R.E. (1994) Neural network approach in multichannel auditory event-related potentials analysis. Int. J. Biomed. Comput. V. 35, p. 157−168.

100. Yuasa M., Zhang Q., Nagashino H., Kinouchi Y. (1998) EEG source localization for two dipoles by neural networks. Proc. IEEE 20th Ann. Int. Conf IEEE/EMBS. Hong Kong, 1998. p. 2190−2192.

101. Yylmaz Y.K., Demiralp T., GUlciir H.O. (1998) Classification of P300 component in single trial event related potentials using artificial neural network classifier. Int. J. Psychophysiology. V.30, p. 226.

102. Zhang X.S., Roy R.J. (2001) Derived fuzzy logic model for estimating the depth of anesthesia. IEEE Transactions on Biomedical Engineering. V. 48, p. 312−323.

103. Публикации автора по теме диссертации в реферируемых журналах.

104. Николаев А. Р., Анохин А. П., Иваницкий ГЛ., Кашеварова О. Д., Иваницкий А. М. (1996) Спектральные перестройки ЭЭГ и организация корковых связей при пространственном и вербальном мышлении. ЖВНД им. И. П. Павлова. Т. 46, с. 831−848.

105. Иваницкий ГЛ. (1997) Распознавание типа решаемой в уме задачи по нескольким секундам ЭЭГ с помощью обучаемого классификатора. ЖВНД им. И. П. Павлова. Т. 47, с. 743−747.

106. Иваницкий ГЛ., Николаев А. Р., Иваницкий A.M. (1997) Использование искусственных нейросетей для распознавания типа мыслительных операций по ЭЭГ. Журнал авиакосмической и экологической медицины. Т. 31, с. 23−28.

107. Musha Т., Terasaki Yu., Haque НЛ., Ivanitsky СЛ. (1997) Feature extraction from EEG associated with emotions. Artificial Life Robotics. V. 1, p. 15−19.

108. Николаев A.P., Иваницкий ГЛ., Иваницкий A.M. (1998) Воспроизводящиеся паттерны альфа-ритма ЭЭГ при решении психологических задач. Физиология человека. Т. 24, с. 1−8.

109. Николаев А. Р., Иваницкий ГЛ., Иваницкий А. М. (2000) Исследование корковых взаимодействий в коротких интервалах времени при поиске вербальных ассоциаций. ЖВНД им. И. П. Павлова. Т. 50, с. 44−61.

110. Nikolaev A.R., Ivanitsky СЛ., Ivanitsky А.М., Posner M.I., Abdullaev Ya. G. (2001) Correlation of brain rhythms between frontal and left temporal (Wernicke's) cortical areas during verbal thinking. Neurosci Lett. V. 298, p. 107−110.

111. Nikolaev A.R., Ivanitskii СЛ., Ivanitskii A.M. (2001) Studies of cortical interactions over short periods of time during the search for verbal associations. Neurosci Behav Physiol. V. 31, p. 119−32.

112. Ivanitsky A.M., Nikolaev A.R., Ivanitsky СЛ. (2001) Cortical connectivity during word association search. Int. J. Phsychophysiology. V. 42, p. 35−53.

113. Иваницкий ГЛ., Николаев A.P., Иваницкий A.M. (2002) Взаимодействие лобной и левой теменно-височной коры при вербальном мышлении. Физиология человека. Т. 28, с. 5−11.

114. Иваницкий А. М., Ильюченок И. Р., Иваницкий ГЛ. (2003) Избирательное внимание и память вызванные потенциалы при конкуренции зрительных и слуховых словесных сигналов. Журн. высш. нервн. деят. Т. 53, с. 541−551.